BAB III PENGUMPULAN DAN PENGOLAHAN DATA

Transkripsi

1 BAB III PENGUMPULAN DAN PENGOLAHAN DATA 3.1 Model Pendekatan dan Hipotesis Penelitian Singarimbun (1995) dalam Arsantoadi (2006) menyatakan bahwa hipotesis adalah rumusan pernyataan hubungan antara variabel-variabel penelitian yang dibuat oleh peneliti bagi problematika yang diajukan dalam penelitiannya yang masih berupa dugaan. Dugaan tersebut merupakan kebenaran yang sifatnya sementara, yang akan diuji kebenarannya dengan data yang dikumpulkan melalui penelitian. Penelitian menggunakan model pendekatan berdasarkan gambar dibawah untuk menguji dan menganalisa hubungan antara kualitas layanan, perceived value, kepuasan konsumen dan loyalitas konsumen. Gambar 3.1 Model Pendekatan 1 (Kuo, 2009)

2 Network performance Download speed Recommendation intention e3 Upload speed Customer satisfaction Customer loyalty Resubscription intention e4 Packet transfer deay e 1 e2 New service subscription intention e5 Packet loss rate Gambar 3.2 Model Pendekatan 2 (Kwang et al.,2007) Gambar 3.3 Model Pendekatan 3 (Z.Deng et al., 2009)

3 Pada penelitian ini, kerangka berpikir pembentuk hipotesis didasarkan pada teoriteori yang telah ada maupun hasil penelitian terdahulu tentang kualitas layanan, perceived value, kepuasan konsumen dan loyalitas konsumen. Gambar 3.4 Model Penelitian Hubungan Antara Kualitas Layanan dan Perceived Value Nilai yang dirasakan adalah evaluasi manfaat produk atau jasa dengan pelanggan berdasarkan pengorbanan mereka dan expost kinerja yang dirasakan ketika mereka menggunakan mobile value-added services. Dalam penelitian tentang hubungan antara kualitas pelayanan dan nilai yang dirasakan pelanggan ritel konvensional dan belanja online, sebagian besar penelitian empiris telah menunjukkan bahwa kualitas layanan akan mempengaruhi nilai positif yang dirasakan (Cronin et al., 1997; Cronin et al., 2000; Brady et al., 2001; Bauer et al., 2006 dalam Kuo et al, 2009). Di antara studi tentang industri telekomunikasi, Wang et al. (2004) dan Turel dan Serenko (2006) menyelidiki masing-masing layanan selular di Cina dan Kanada dan menemukan bahwa kualitas pelayanan berhubungan positif dengan nilai yang dirasakan. H1: Kualitas layanan secara positif berpengaruh terhadap perceived value pada mobile value-added services.

4 3.1.2 Hubungan Antara Kualitas Layanan dan Kepuasan Pelanggan Dalam studi ini, kepuasan pelanggan didefinisikan sebagai persepsi konsumsi total konsumen ketika menggunakan mobile value-added service. Penelitian sebelumnya tentang ritel konvensional telah menunjukkan bahwa kualitas pelayanan pengaruh positif kepuasan pelanggan (Johnson & Fornell, 1991; Kristensen et al., 1999; Cronin et al., 2000 dalam Kuo et al, 2009). Kesimpulan yang sama telah diajukan dalam penelitian website dan belanja online (Kuo, 2003; Lee & Lin, 2005; Collier & Bienstock, 2006; Hsu, 2006; Taman & Kim, 2006; Bauer et al., 2006 dalam Kuo, 2009). Di antara studi tentang industri telekomunikasi, Wang et al. (2004) dalam Kuo (2009) menyelidiki industri telekomunikasi di Cina, dan Kim et al. (2004) dalam Kuo (2009), Tung (2004), dan Turel dan Serenko (2006) menyelidiki layanan bergerak masing-masing di Korea Selatan, Singapura, dan Kanada. Studi ini juga didukung bahwa pengaruh positif kualitas pelayanan kepuasan pelanggan. H2: Kualitas layanan secara positif berpengaruh terhadap kepuasan pelanggan pada mobile value-added services Hubungan Antara Perceived Value dan Kepuasan Pelanggan Dalam penelitian tentang hubungan antara perceived value dan kepuasan pelanggan, studi empiris retail konvensional menemukan bahwa dirasakan pengaruh positif nilai kepuasan pelanggan dalam banyak kasus (Cronin et al., 2000; Eggert & Ulaga, 2002 dalam Kuo, 2009). Kesimpulan serupa juga diusulkan dalam studi situs belanja online dan e-commerce (Yang & Peterson, 2004; Hsu, 2006 dalam Kuo, 2009). Di aspek industri telekomunikasi, Wang et al. (2004) (memusatkan industri telekomunikasi di Cina), Tung (2004) (layanan SMS di Singapura), Lin dan Wang (2006) (mobile commerce di Taiwan), dan Turel dan Serenko (2006) (mobile services di Kanada) semua mengungkapkan bahwa nilai yang dirasakan positif berhubungan dengan kepuasan pelanggan.

5 H3: Perceived value secara positif berpengaruh terhadap kepuasan pelanggan pada mobile value-added services Hubungan Antara Kepuasan Pelanggan dan Loyalitas Pelanggan Dalam Z. Deng et al (2009) menyatakan jika penyedia layanan dapat memenuhi kebutuhan pelanggan yang lebih baik dibandingkan pesaingnya, lebih mudah untuk menciptakan loyalitas (Oliver, 1999 dalam Z. Deng, 2009). Fornell (1992) menyatakan bahwa loyalitas pelanggan yang tinggi terutama disebabkan oleh kepuasan pelanggan yang tinggi. Clarke (2001) dalam Z. Deng (2009) mengusulkan bahwa kepuasan efektif harus mampu menciptakan loyalitas di kalangan pelanggan. Dalam Kuo et. al, 2009 penelitian sebelumnya telah menunjukkan bahwa kepuasan pelanggan positif mempengaruhi loyalitas pelanggan (Choi, Seol, Lee, Cho, & Taman, 2008) atau negatif mempengaruhi niat untuk berpindah/switching (Walsh, Dinnie, & Wiedmann, 2006). Konsumen dengan tingkat kepuasan yang lebih tinggi cenderung memiliki niat kuat pembelian kembali dan merekomendasikan dibeli produk (Zeithaml et al., 1996 dalam Kuo, 2009). Dengan kata lain, saat kepuasan pelanggan ditingkatkan, pembelian kembali dapat dilakukan lebih sering. Penelitian tentang e-ritel dan belanja online juga menyediakan kesimpulan serupa (Collier & Bienstock, 2006; Lee & Lin, 2005 dalam Kuo, 2009). Dan salah satu indikator loyalitas pelanggan adalah dengan niat kuat pembelian kembali dan merekomendasikan dibeli produk. Selain itu, studi lain dari layanan selular di Kanada dan China juga mendukung argumen (Turel & Serenko, 2006; Wang et al., 2004). Lin dan Wang (2006) diwujudkan suatu hubungan yang positif antara kepuasan pelanggan dan loyalitas pelanggan dalam studi tentang mobile commerce di Taiwan. H4: Kepuasan pelanggan secara positif berpengaruh terhadap loyalitas pelanggan pada mobile value-added services.

6 3.1.5 Hubungan Antara Switching Cost dan Loyalitas Pelanggan Dalam Deng et. al, 2009 switching cost adalah biaya konsumen yang timbul dengan mengubah salah satu penyedia layanan yang lain (Lee, Lee, & Feick, 2001 dalam Z. Deng, 2009), termasuk didalamnya biaya yang dapat diukur dalam hal moneter, aspek psikologis yang dihadapi oleh perusahaan baru, serta waktu dan usaha terlibat dalam menggunakan layanan atau produk baru (Kim, Kliger, & Vale, 2003 dalam Z. Deng, 2009). Karena berkaitan dengan waktu dan usaha yang terlibat secara psikologis dalam menghadapi ketidakpastian ketikanberurusan dengan penyedia layanan baru, switching cost dapat menjadi penghalang untuk mengubah penyedia layanan. Menurut Burnham, Frels, dan Mahajan (2003), semua varietas switching cost dapat disederhanakan sebagai tiga jenis: prosedural, keuangan dan relasional switching costs. Prosedur switching costs terutama meliputi biaya risiko ekonomi, biaya evaluasi, biaya setup, dan biaya belajar, switching cost secara finansial melibatkan hilangnya manfaat biaya dan biaya kerugian keuangan, relasional switching costs mengandung biaya kerugian dan kehilangan hubungan pribadi merek hubungan biaya (Burnham et al., 2003). Secara khusus, meningkatkan persepsi pelanggan akan risiko dalam beralih ke provider lain, kesulitan dalam membangun kontak hubungan baru, dan kesulitan dalam menggunakan layanan alternatif, akan meningkatkan kemungkinan bahwa dia terus menjaga hubungan dengan penyedia layanan saat ini. Penelitian sebelumnya menguji hubungan antara switching cost dan loyalitas pelanggan, dan temuan-temuan mereka menunjukkan bahwa switching cost merupakan faktor penting dalam memprediksi loyalitas pelanggan (Albert, 2002; Aydin, Özer, & Arasil, 2005 dalam Arsantoadi, 2006). H5: Switching cost secara positif berpengaruh terhadap loyalitas pelanggan pada mobile value-added services

7 3.2 Pengumpulan Data Desain Sampling Sample desain merupakan tahap pengumpulan data primer pada penelitian ini. Desain pengambilan sample diterapkan untuk menentukan populasi dari responden dan bagaimana data akan diperoleh Metode Pengambilan Sampling Teknik pengambilan sample dalam penelitian ini adalah non probability sampling. Metode ini digunakan dengan harapan mampu menghilangkan persoalan biaya dan pengembangan suatu kerangka sampling. Keterbatasan metode ini adalah adanya bias yang tersembunyi dan ketidakpastian pada hasil penelitian (Aarker et. al, 1998 dalam Hermawan 2009). Metode ini digunakan dalam bentuk : 1. Purposive sampling digunakan untuk menentukan kuota jumlah responden, lokasi dan akses terhadap mobile value-added services yang dianggap dapat merepresentasikan sample. 2. Convenience sampling digunakan untuk menentukan calon responden dengan screening untuk mendapatkan sejumlah responden tertentu yang memenuhi syarat-syarat tertentu. Convenience sampling merupakan suatu teknik penentuan sampel dimana anggota populasi yang ditemui bersedia menjadi responden dan dijadikan sample. Syarat- syarat yang ditentukan untuk responden adalah sebagai berikut : Responden bukanlah karyawan dari perusahaan operator telekomunikasi Memiliki handphone dan aktif memakai layanan mobile valueadded services dari operator telekomunikasi seluler GSM Usia antara tahun Ukuran sample Mengingat populasi target serta mempertimbangkan keterbatasan waktu dan dana penelitian maka ukuran sample yang digunakan adalah 127 responden dan dari jumlah responden tersebut, sebanyak 114 kuisioner yang diolah. Dengan

8 menggunakan teknik Structural Equation Modeling untuk mengolah data, maka besar ukuran sample yang dipersyaratkan minimal untuk penelitian yang menggunakan kurang dari 5 variabel konstruk adalah observasi untuk mencapai minimum likelihood estimation (MLE) (Hair et. al, 2006) Metode Pengumpulan Data Pengumpulan data primer berupa kuisioner dilakukan dengan menyebar kuisioner melalui . Sedangkan pengumpulan data sekunder dilakukan dengan studi literatur dengan mengumpulkan data dari internet, artikel, jurnal-jurnal dan tulisan lainnya yang mendukung penelitian ini. Proses penyusunan kuisioner dilakukan dalam beberapa tahap sebagai berikut : Identifikasi Atribut dan Penyusunan Kuisioner Penyusunan kuisioner diawali dengan menyusun rancangan model Structural Equation Modeling (SEM). Model SEM dalam penelitian ini dibangun berdasarkan kerangka teoritis yang diajukan oleh Kuo et. al (2009), Kwang et. al (2007) dan Z. Deng et. al (2009). Selanjutnya konstruk dan definisi konstruk yang terdapat dalam kuisioner dapat dilihat dari tabel berikut : Tabel 3.1 Varibel Konstruk Construct Item Measurement Referensi CQ1 Saya dapat dengan mudah menggunakan value added Kualitas Content services yang disediakan operator seluler. Layanan Quality Kuo et. al (2009) CQ2 Value added services yang disediakan selalu diupdate secara teratur (misal homepage, RBT atau game yang bisa di download). Kuo et. al (2009) CQ3 Value added services menyediakan konten layanan yang penting bagi saya. Kim et. al (2004) dalam Kuo et al. (2009) CQ4 Value added services yang disediakan mempunyai konten yang menarik. Yang et. al (2005) dalam Kuo et al. Manajemen dan layanan konsumen MS1 MS2 MS3 MS4 (2009) Operator telekomunikasi yang saya gunakan saat ini menyediakan beragam value added services. Chae et al. (2002) dalam Kuo et al. (2009) Operator telekomunikasi yang saya gunakan saat ini menyediakan beberapa pilihan tarif untuk value added services. Saya dapat dengan mudah menghentikan layanan value added services yang saya gunakan. Ketika masalah terjadi, operator telekomunikasi dapat segera mengatasinya. Kuo et. al (2003) Kuo et. al (2009) Kuo et. al (2009)

9 Tabel 3.1 Varibel Konstruk (Lanjutan) Construct Item Measurement Referensi MS6 Operator telekomunikasi penyedia value added services selalu memberikan solusi terhadap masalah yang dihadapi pengguna layanan. Perceived Value Kepuasan Pelanggan Ketersediaan sistem dan kualitas koneksi MS7 MS8 MS9 SC1 SC2 SC3 SC4 SC5 PV1 PV2 PV3 PV4 CS1 CS2 CS3 CS4 CS5 CS6 CS7 CS8 Operator telekomunikasi penyedia value added services selalu merespon dengan cepat permintaan pengguna layanan. Ketika terjadi masalah (error) pada layanan, operator telekomunikasi dapat secara simpatik dan meyakinkan menyelesaikan masalah tersebut. Ketika operator telekomunikasi penyedia value added services menjanjikan sesuatu terkait layanan, mereka dapat menyediakan layanan tepat pada waktu yang dijanjikan. Value added services pada operator telekomunikasi yang saya gunakan mempunyai sistem yang stabil. Kesalahan (error) jarang terjadi pada sistem value added services. Saya tidak membutuhkan terlalu banyak waktu untuk mendownload informasi yang saya butuhkan Saya tidak membutuhkan terlalu banyak waktu untuk membuka link saya klik. Saya dapat dengan mudah kembali ke halaman homepage yang sebelumnya diakses. Saya merasa saya mendapatkan harga yang wajar untuk value added services yang saya gunakan. Menggunakan value added services yang disediakan oleh operator telekomunikasi ini membuat waktu dan uang yang saya keluarkan tidak terasa sia-sia. Dibandingkan dengan operator telekomunikasi lainnya, adalah tepat untuk memilih operator telekomunikasi yang saya gunakan saat ini. Operator telekomunikasi yang menyediakan layanan value added services secara gratis atau mempunyai program promo sangat penting bagi saya. Seberapa besar harapan Anda secara keseluruhan kualitas layanan selular? Seberapa besar harapan Anda, sejauh mana layanan mobile ini dapat memenuhi kebutuhan pribadi Anda? Seberapa besar harapan Anda terhadap keandalan value added services pada operator ini? Berapa evaluasi keseluruhan Anda mengenai kualitas value added services pada operator ini? Berapa evaluasi Anda, sejauh mana value added services ini memenuhi kebutuhan pribadi Anda? Berapa evaluasi Anda, sejauh mana value added services ini dapat diandalkan? Penilaian Anda terhadap kualitas value added services yang diberikan dibandingkan dengan harga yang Anda bayar Penilaian Anda terhadap harga value added services yang diberikan dibandingkan dengan kualitas yang Anda terima Cronin et al (1992) dalam Tung (2004) Tung (2004) Tung (2004) Cronin et al (1992) dalam Tung (2004) Chae et al. (2002) dalam Kuo et al. (2009) Kuo et. al (2003) Kuo et. al (2009) Kuo et. al (2009) Turel & Serenko (2006) Tung (2004) Wang et al (2004) Self developed Turel & Serenko (2006) Turel & Serenko (2006) Turel & Serenko (2006) Turel & Serenko (2006) Turel & Serenko (2006) Turel & Serenko (2006) Turel & Serenko (2006) Turel & Serenko (2006)

10 Tabel 3.1 Varibel Konstruk (Lanjutan) Construct Item Measurement Referensi CS9 Secara keseluruhan, seberapa besar tingkat kepuasan Anda dengan value added services? (semua hal yang dipertimbangkan) Loyalitas Pelanggan Switching Cost CS10 CL1 CL2 CL3 SW1 SW2 SW3 Mengingat harapan Anda, sampai sejauh mana mobile value added services ini melebihi harapan Anda? Di masa depan, saya akan menggunakan value added services yang disediakan oleh perusahaan telekomunikasi ini lagi. Di masa depan, saya akan merekomendasikan value added services yang disediakan oleh perusahaan telekomunikasi ini kepada kerabat dan teman-teman. Di masa depan, saya akan terus menggunakan value added services yang disediakan oleh perusahaan telekomunikasi ini. Berpindah layanan ke operator telekomunikasi lain dapat menyebabkan banyak masalah bagi saya. Turel & Serenko (2006) Turel & Serenko (2006) Zeithaml et. al (1996) dalam Kuo et. al (2009) Cronin et. Al (2000) dalam Kuo et al (2009) Wang et al (2004 dalam Kuo et al (2009) Deng et al (2009) Berpindah layanan ke operator telekomunikasi lain akan menjadi terlalu mahal bagi saya. Gefen (2002) dalam Deng et al.(2009) Berpindah layanan ke operator telekomunikasi lain akan menghabiskan waktu saya untuk mempelajari cara penggunaannya. Deng et al (2009) Definisi Konstruk Kualitas pelayanan adalah perbedaan antara harapan pelanggan dan mereka dianggap kinerja layanan studi lebih lanjut mengkategorikan faktor-faktor kualitas layanan yaitu kualitas konten, manajemen dan layanan pelanggan, dan keandalan sistem dan kualitas sambungan. Perceived value adalah selisih antara harga tertinggi yang konsumen bersedia membayar untuk produk atau layanan dan praktis jumlah yang dibayarkan. Menurut perspektif kualitas, nilai adalah perbedaan antara uang yang dibayarkan untuk suatu produk tertentu dan kualitas produk. kepuasan pelanggan didefinisikan sebagai total konsumsi persepsi konsumen saat menggunakan mobile value-added services. Kepuasan pelanggan adalah sebagai penilaian terhadap fitur dari suatu produk atau jasa, atau produk dan jasa itu sendiri, yang memberikan tingkat kepuasan dan kesenangan dari konsumsi yang berkaitan dengan pemenuhan diri.

11 Switching cost adalah biaya yang keluar akibat mengganti atau memilih penyedia produk/jasa lain dari yang sekarang, dimana biaya tersebut tidak akan terjadi jika masih tetap memakai penyedia produk/jasa yang sekarang. Loyalitas pelanggan adalah komitmen yang dalam untuk membeli kembali atau berlangganan kembali produk / jasa yang disukai secara konsisten di masa depan, sehingga menyebabkan pembelian yang sama berulang-ulang dengan merek yang sama, meskipun pengaruh situasional dan usaha pemasaran yang berpotensi menyebabkan perilaku perpindahan. 3.3 Hasil Pengumpulan Data Penyebaran kuisioner dilakukan melalui dan wawancara langsung. Total kuisioner yang masuk adalah 127 kuisioner. Dari total kuisoner yang masuk tersebut akan dilihat terlebih dahulu tingkat konsistensi dari jawaban. Beberapa pertanyaan dibuat dengan substansi yang sama tetapi dengan redaksi berbeda sehingga memungkinkan untuk dilakukan uji terhadap konsistensi jawaban. Jawaban kuisioner yang tidak konsisten atau secara asal diisi, tidak dimasukkan dalam pengolahan data atau dibuang. Total kuisoner yang dapat diolah adalah 114 kuisioner. Gambaran karakteristik responden dapat dilihat pada gambar berikut Jenis Kelamin Gambar 3.7 menunjukkan penyebaran responden menurut jenis kelamin. Dari gambar tersebut diketahui bahwa jumlah responden perempuan adalah 58.42% dari total responden sedangkan untuk responden laki-laki berjumlah 41.48% Jenis Kelamin Responden Sum of Laki-laki 41.58% Sum of Perempuan 58.42% Gambar 3.6 Distribusi Responden Menurut Jenis Kelamin

12 3.3.2 Usia Responden Gambar 3.8 menunjukkan sebaran responden menurut usia. Dari gambar tersebut diketahui bahwa jumlah responden yang berusia kurang dari 18 tahun adalah 17.82%, responden yang berusia tahun adalah 13.86%, berusia tahun adalah 59.41% dan yang berusia diatas 35 tahun adalah 8.91%. Sum of > % Usia Responden Sum of < % Sum of % Sum of % Gambar 3.7 Distribusi Responden Menurut Usia Pendidikan Gambar 3.9 menunjukkan penyebaran responden menurut tingkat pendidikan terakhir. Dari gambar tersebut bahwa responden yang memiliki pendidikan terakhir SMU sebanyak 35.64%, responden yang memiliki tingkat pendidikan D3 sebanyak 11.88%, responden yang memiliki tingkat pendidikan S1 sebanyak 44.55% dan reponden yang memiliki tingkat pendidikan terakhir S2 sebanyak 7.92%.

13 Sum of S2 7.92% Pendidikan Responden Sum of SMU 35.64% Sum of S % Sum of D % Gambar 3.8 Distribusi Responden Menurut Tingkat Pendidikan Pekerjaan Gambar 3.10 menunjukkan penyebaran responden menurut jenis pekerjaan. Responden pelajar sebanyak 20.79%, mahasiswa dan wiraswasta sebanyak 0.99%, pegawai swasta sebanyak 56.44%, pegawai negeri sebanyak 15.84% dan lain-lain sebanyak 4.95%. Sum of Wiraswasta 0.99% Pekerjaan Responden Sum of Lainlain 4.95% Sum of Pelajar 20.79% Sum of Mahasiswa 0.99% Sum of Pegawai Swasta 56.44% Sum of TNI/Polri 0.00% Sum of Pegawai Negeri 15.84% Gambar 3.9 Distribusi Responden Menurut Pekerjaan

14 3.3.5 Operator Seluler Gambar 3.11 menunjukkan sebaran operator seluler GSM yang digunakan responden. Responden pengguna Telkomsel sebanyak 29.69%, responden pengguna Indosat sebanyak 35.94%, Excelcom sebanyak 18.75% dan lain-lain sebanyak 15.63%. Operator Seluler Sum of Lain-lain 15.63% Sum of Excelcom 18.75% Sum of Telkomsel 29.69% Sum of Indosat 35.94% Gambar 3.10 Distribusi Operator Seluler Yang Digunakan Responden Layanan Yang Digunakan Gambar 3.12 menunjukkan distribusi mobile value-added services yang digunakan oleh responden. Layanan pesan singkat merupakan layanan yang paling banyak digunakan, lalu disusul layanan mobile internet berupa instant messaging merupakan yang ke dua terbanyak yang digunakan, layanan , mobile banking, ringtone dan mobile download serta penyimpanan data.

15 Sum of lain-lain 1.25% Sum of % Sum of mobile banking 9.72% Mobile Value-Added Services Sum of informasi 7.21% Sum of mobile download 6.90% Sum of pesan singkat 30.72% Sum of internet 22.26% Sum of ringtone 8.46% Sum of penyimpanan data 3.45% Gambar 3.11 Distribusi Mobile Value-Added Services Yang Digunakan 3.4 Pengolahan Data Sebelum melakukan pengolahan data dan pembahasan, tahap awal penelitian ini dimulai dengan melakukan uji validasi dan reliabilitas instrumen. Selanjutnya akan dilakukan pengolahan data dengan menggunakan metode Structural Equation Modeling (SEM) Uji Validasi dan Reliabilitas Pada tahap awal dilakukan uji validasi dan reliabilitas terhadap prakuisioner terhadap 25 responden. Pengujian dibantu dengan menggunakan software SPSS 17. Uji validasi dan reliabilitas terhadap 25 sampel tersebut untuk mengetahui apakah kuisioner yang digunakan sudah valid dan reliabel. Uji validasi dilakukan untuk mengetahui sejauh mana pertanyaan-pertanyaan pada kuisioner dapat valid digunakan untuk menjawab tujuan penelitian. Sedangkan uji reliabilitas dilakukan untuk mengukur konsistensi data untuk menilai apakan data hasil kuisioner dapat dipercaya/reliabel atau tidak. Dalam uji validitas, koefisien korelasi Pearson digunakan untuk mengukur valid atau tidaknya sebuah variabel. Kuisioner terdiri dari 38 pertanyaan yang mewakili 38 variabel yang akan diamati. Variabel akan dinyatakan valid apabila nilai korelasi (Pearson correlation) adalah positif dan nilai probabilitas korelasi [sig. (2-tailed)] tingkat signifikansi (α).

16 Dalam pengujian hipotesis, tingkat signifikansi adalah kriteria yang digunakan untuk menolak hipotesis nol. Tingkat signifikansi yang digunakan dalam pengujian hipotesis sebagai berikut: Pertama, perbedaan antara hasil percobaan dan hipotesis nol ditentukan. Kemudian, asumsi hipotesis nol benar, kemungkinan perbedaan yang besar atau lebih besar dihitung. Akhirnya, probabilitas ini dibandingkan dengan tingkat signifikansi. Jika probabilitas kurang dari atau sama dengan tingkat signifikansi, maka hipotesis nol ditolak dan hasil dikatakan signifikan secara statistik. Secara tradisional, percobaan telah digunakan tingkat 0,05 (kadang-kadang disebut tingkat 5%) atau tingkat 0,01 (1%), meskipun pilihan sebagian besar tingkat subjektif. Semakin rendah tingkat signifikansi, semakin banyak data yang harus berbeda dari nol hipotesis signifikan. Oleh karena itu, tingkat 0,01 lebih konservatif daripada tingkat 0,05. Huruf Yunani alpha (α) kadang-kadang digunakan untuk menunjukkan tingkat signifikansi. Pada tabel dapat terlihat bahwa semua variabel telah memenuhi persyaratan tersebut sehingga dinyatakan valid. Tabel 3.2 Hasil Uji Validitas Variabel Pearson Correlation Sig. (2-tailed) CQ1.566 ** CQ2.554 ** CQ3.808 ** 0 CQ4.850 ** 0 MS1.872 ** 0 MS2.603 ** MS3.508 ** 0.01 MS4.840 ** 0 MS5.755 ** 0 MS6.845 ** 0 MS7.856 ** 0 MS8.856 ** 0 MS9.660 ** 0 SC1.825 ** 0 SC2.550 ** SC3.839 ** 0 SC4.874 ** 0 SC5.883 ** 0 PV1.898 ** 0

17 Tabel 3.2 Hasil Uji Validitas (Lanjutan) Pearson Variabel Sig. (2-tailed) Correlation PV2.850 ** 0 PV3.651 ** 0 PV4.650 ** 0 CS1.147 ** 0 CS2.885 ** 0 CS3.803 ** 0 CS4.749 ** 0 CS5.816 ** 0 CS6.726 ** 0 CS7.632 ** CS8.712 ** 0 CS9.680 ** 0 CS ** 0 CL1.626 ** CL2.585 ** CL3.600 ** SW1.532 ** SW2.705 ** 0 SW3.543 ** *. Correlation is significant at the 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed). Setelah semua variabel yang diamati telah dinyatakan valid, amak selanjutnya dilakukan uji reliabilitas dari kuisioner tersebut. Kriteria yang digunakan untuk mengukur apakah kuisioner reliabel atau tidak, dapat dilihat dari nilai Alpha Cronbach. Menurut Imam Ghozali, 2002, instrumen dinyatakan memiliki tingkat reliabilitas yang tinggi apabila nilai koefisien yang diperoleh Nilai Cronbach s Alpha yang didapat pada akhir pengujian yaitu sehingga dapat dinyatakan bahwa kuisioner telah memenuhi syarat reliabilitas.

18 Tabel 3.3 Uji Validasi dan Reliabilitas : Item Statistics Item Statistics Mean Std. Deviation CQ CQ CQ CQ MS MS MS MS MS MS MS MS MS SC SC SC SC SC PV PV PV PV CS CS CS CS CS CS CS CS CS CS CL CL CL SW SW SW

19 Tabel 3.4 Uji Validasi dan Reliabilitas : Reliability Statistics Reliability Statistics Cronbach's Alpha N of Items Tabel 3.5 Uji Validasi dan Reliabilitas : Item-Total Statistics Scale Mean if Item Deleted Item-Total Statistics Scale Variance if Item Deleted Corrected Item- Total Correlation Cronbach's Alpha if Item Deleted CQ CQ CQ CQ MS MS MS MS MS MS MS MS MS SC SC SC SC SC PV PV PV PV CS CS CS CS CS CS CS CS CS

20 Tabel 3.5 Uji Validasi dan Reliabilitas : Item-Total Statistics (Lanjutan) Scale Mean if Item Deleted Scale Variance if Item Deleted Corrected Item- Total Correlation Cronbach's Alpha if Item Deleted CS CL CL CL SW SW SW Pengujian Model SEM Pada bagian pengolahan data dengan SEM, dibagi menjadi 2 bagian yaitu bagian pengujian model secara keseluruhan dan bagian pengujian parameter Uji Model Pengukuran Sebelum melakukan analisis lebih lanjut, maka perlu dilakukan pengujian statistik terhadap model SEM keseluruhan. Tujuan pengujian adalah untuk menguji apakah model secara keseluruhan dapat dikatakan fit dengan data sampel yang ada dan untuk mengetahui seberapa tepat variabel-variabel yang diamati dapat menjelaskan variabel laten yang ada. Hasil output goodness of fit statistics yang dihasilkan dari model SEM dengan bantuan software LISREL 8.70 adalah sebagai berikut : Tabel 3.6 Output Goodness of Fit Statistics SEM Awal No. Goodness of Fit Statistics Value 1 Degrees of Freedom Minimum Fit Function Chi-Square (P=0.0) 3 Normal Theory Weighted Least Squares Chi-Square (P=0.0) 4 Estimated Non-centrality Parameter(NCP) Percent Confidence Interval for NCP (805.54; ) 6 Minimum Fit Function Value Population Discrepancy Function Value (F0) Percent Confidence Interval for F0 (7.13;9.19) 9 Root Mean Square Error of Approximation (RMSEA) Percent Confidence Interval for RMSEA (0.10;0.12) 11 P-Value for Test of Close Fit( RMSEA<0.05) 0 12 Expected Cross-Validation Index (ECVI) 15.41

21 Tabel 3.6 Output Goodness of Fit Statistics SEM Awal (Lanjutan) No. Goodness of Fit Statistics Value 12 Expected Cross-Validation Index (ECVI) Percent Confidence Interval for ECVI (14.41;16.47) 14 ECVI for Saturated Model ECVI for Independence Model Chi-Square for Independence Model with 703 Degrees 16 of Freedom Independence AIC Model AIC Saturated AIC Independence CAIC Model CAIC Saturated CAIC Normed Fit Index (NFI) Non-Normed Fit Index (NNFI) Parsimony Normed Fit Index (PNFI) Comparative Fit Index (CFI) Incremental Fit Index (IFI) Relative Fit Index (RFI) Critical N (CN) Root Mean Square Residual (RMR) Standardized RMR Goodness of Fit Index (GFI) Adjusted Goodness of Fit Index (AGFI) Parsimony Goodness of Fit Index (PGFI) 0.51 Berdasarkan hasil output goodness of fit statistics dari software LISREL 8.70 dan pembahasan mengenai goodness of fit di atas, maka model SEM yang dikembangkan dalam penelitian ini belum termasuk baik. Hal ini bisa terlihat pada tabel rangkuman output goodness of fit statistics dibawah, dimana banyak hasil pengukuran yang berkriteria kurang baik tetapi masih cukup beralasan untuk di analisa. Dalam Wijanto (2008), nilai GFI, AGFI, NFI, RFI, IFI, CFI akan berkisar diantara 0 (poor fit) sampai 1 (perfect fit). Nilai 0.90 merupakan good fit (kecocokan yang baik), sedangkan nilai diantara 0.80 dan 0.90 sering disebut sebagai marginal fit. Pada hasil pengukuran SEM awal ini, didapati bahwa nilainilai tersebut berada dibawah marginal fit sehingga diperlukan modifikasi model untuk mendapatkan nilai yang lebih baik lagi. Nilai RMSEA 0.05 menandakan close fit, sedangkan 0.05 RMSEA 0.08 menunjukkan good fit. (Brown & Cudeck, 1993). McCallum (1996) mengelaborasi lebih jauh dengan

22 menambahkan nilai RMSEA antara 0.08 sampai 0.10 menunjukkan marginal fit serta nilai RMSEA > 0.10 menunjukkan poor fit. Dalam hal ini, model awal SEM juga menunjukkan nilai poor fit. ECVI digunakan untuk perbandingan model dan semakin kecil nilai ECVI sebuah model semakin baik tingkat kecocokannya. AIC adalah ukuran yang digunakan untuk membandingkan beberapa model dengan jumlah konstruk yang berbeda. Nilai AIC yang kecil dan mendekati 0 menunjukkan kecocokan yang lebih baik. Dalam model SEM awal, ECVI dan AIC masih mempunyai nilai yang cukup besar dan diatas nilai saturated modelnya sehingga dapat disimpulkan bahwa kecocokan model kurang baik. Menurut Ghozali & Fuad (2005) nilai ECVI, AIC dan CAIC dikatakan memiliki model fit yang cukup baik jika nilai model lebih rendah daripada nilai saturated model dan independence model. Untuk kriteria goodness of fit lainnya yaitu chi square, dalam Wijanto (2008), peneliti berusaha memperoleh nilai chi square yang rendah yang menghasilkan significance level lebih besar atau sama dengan 0.05 (p 0.05). Hal ini menandakan bahwa hipotesa nol diterima dan matrik input yang diprediksi dengan yang sebenarnya atau aktual tidak berbeda secara statistik. Tetapi chi square sendiri tidak dapat digunakan sebagai satu-satunya ukuran dari kecocokan keseluruhan model. Dari hasil pembahasan mengenai goodness of fit statistics terhadap model awal SEM, maka diperoleh kesimpulan sebagai berikut : Tabel 3.7 Rangkuman Output Goodness of Fit Statistics SEM Awal Ukuran GOF Batas Cut-off Nilai Keterangan Chi-Square (P=0.0) Kurang Baik P P > 0.05 NCP Baik Interval (805.54; ) RMSEA RMSEA Kurang baik p(close fit) RSMEA < ECVI Model < Saturated & Independence Kurang baik AIC Model < Saturated & Independence Kurang baik CAIC Model < Saturated & Independence Baik NFI 0 < NFI < 1 ; NFI 0.90 = good fit 0.71 Baik NNFI 0 < NNFI < 1 ; NNFI 0.90 = good fit 0.79 Baik CFI 0 < CFI < 1 ; CFI 0.90 = good fit 0.8 Baik IFI 0 < IFI < 1 ; IFI 0.90 = good fit 0.8 Baik RFI 0 < RFI < 1 ; RFI 0.90 = good fit 0.7 Baik GFI 0 < NFI < 1 ; GFI 0.90 = good fit 0.58 Baik AGFI 0 < AGFI < 1 ; AGFI 0.90 = good fit 0.52 Baik

23 Pengujian Parameter Model SEM Awal Setelah melakukan pengujian terhadap model SEM awal secara keseluruhan, maka selanjutnya adalah pengujian terhadap signifikansi parameter dari masingmasing hubungan yang ada pada model SEM awal. Tabel dibawah menunjukkan hubungan antara variabel yang diamati dengan variabel latennya. Menurut Hair et al, 1998 factor loading yang baik seharusnya lebih besar dari 0.5 dan lebih ideal apabila diatas 0.7. Juga dengan nilai uji t-value dari variabel-variabel yang diamati mempunyai nilai 1.96 berarti hubungan variabel tersebut signifikan. Tabel 3.8 Output Uji Parameter Variabel Yang Diamati Perceived Value (Model SEM Awal) perceive value Standardized Loading factor t-value error PV PV PV PV Tabel 3.9 Output Uji Parameter Variabel Yang Diamati Customer Satisfaction (Model SEM Awal) Kepuasan pelanggan Standardized Loading factor t-value error CS CS CS CS CS CS CS CS CS CS

24 Tabel 3.10 Output Uji Parameter Variabel Yang Diamati Customer Loyalty (Model SEM Awal) Loyalitas pelanggan Standardized Loading factor t-value error CL CL CL Tabel 3.11 Output Uji Parameter Variabel Yang Diamati Service Quality (Model SEM Awal) Kualitas layanan Standardized Loading factor t-value error CQ CQ CQ CQ MS MS MS MS MS MS MS MS MS SC SC SC SC SC

25 Tabel 3.12 Output Uji Parameter Variabel Yang Diamati Switching Cost (Model SEM Awal) switching cost Standardized Loading factor t-value error SW SW SW Semua variabel-variabel indikator yang berwarna hitam menunjukkan pengaruh yang signifikan terhadap masing-masing variabel latennya, sebaliknya variabel yang berwarna merah menunjukkan hubungan yang tidak signifikan. Gambar 3.12 Path Analysis Model SEM Awal Analisis SEM (Structural Equation Modeling) Model Respesifikasi Dalam Wijanto, 2008, ada tiga strategi pemodelan yang dapat dipilih dalam SEM. Salah satu cara untuk memperolehnya adalah dengan model trimming, dimana

26 variabel yang diamati yang mempunyai standardized loading factor tidak signifikan (t < 1.96) dan yang signifikan tetapi nilai standardized loading factor < 0.70 (Ridgon dan Ferguson, 1991 ; Doll, Xia, dan Torkzadeh, 1994) atau < 0.50 (Igbaria et.al, 1997) dihilangkan dari model. Cara yang lain adalah memanfaatkan informasi yang tersedia dalam modification index. Berdasarkan hasil perhitungan uji signifikansi parameter untuk model sebelumnya, maka variabel yang diamati yang harus dihilangkan dari model semula adalah variabel PV4, CS1, CS2, CS3, CQ2, MS1, MS2, MS9, SC1, SC2, dan SC3. Sama seperti sebelumnya, pada bagian pengolahan dan analisis SEM respesifikasi ini harus dilakukan pengujian model secara keseluruhan. Hasil output goodness of fit statistics yang dihasilkan dari model SEM adalah sebagai berikut : Tabel 3.13 Output Goodness of Fit Statistics model SEM Respesifikasi No. Goodness of Fit Statistics Value 1 Degrees of Freedom Minimum Fit Function Chi-Square (P=0.00) 3 Normal Theory Weighted Least Squares Chi-Square (P=0.00) 4 Estimated Non-centrality Parameter(NCP) Percent Confidence Interval for NCP (134.81;256.31) 6 Minimum Fit Function Value Population Discrepancy Function Value (F0) Percent Confidence Interval for F0 (1.19;2.27) 9 Root Mean Square Error of Approximation (RMSEA) Percent Confidence Interval for RMSEA (0.063;0.087) 11 P-Value for Test of Close Fit( RMSEA<0.05) Expected Cross-Validation Index (ECVI) Percent Confidence Interval for ECVI (5.25;6.32) 14 ECVI for Saturated Model ECVI for Independence Model Chi-Square for Independence Model with 703 Degrees 16 of Freedom Independence AIC Model AIC Saturated AIC Independence CAIC Model CAIC Saturated CAIC Normed Fit Index (NFI) 0.88

27 Tabel 3.13 Output Goodness of Fit Statistics model SEM Respesifikasi Lanjutan) No. Goodness of Fit Statistics Value 24 Non-Normed Fit Index (NNFI) Parsimony Normed Fit Index (PNFI) Comparative Fit Index (CFI) Incremental Fit Index (IFI) Relative Fit Index (RFI) Critical N (CN) Root Mean Square Residual (RMR) Standardized RMR Goodness of Fit Index (GFI) Adjusted Goodness of Fit Index (AGFI) Parsimony Goodness of Fit Index (PGFI) 0.6 Berdasarkan hasil output goodness of fit statistics dari software LISREL 8.70 dan pembahasan mengenai goodness of fit statistics untuk model repesifikasi diatas, maka model SEM hasil respesifikasi dalam penelitian ini termasuk baik. Tabel dibawah merupakan kesimpulan dari output goodness of fit statistics dari model SEM respesifikasi. Tabel 3.14 Rangkuman Output Goodness of Fit Statistics SEM Respesifikasi Ukuran GOF Batas Cut-off Nilai Keterangan Chi-Square (P = 0.00) Kurang Baik P P > 0.05 NCP Baik Interval (134.81;256.31) RMSEA RMSEA Baik p(close fit) RSMEA < Baik ECVI Model < Saturated & Independence 5.75 Baik AIC Model < Saturated & Independence Baik CAIC Model < Saturated & Independence Baik NFI 0 < NFI < 1 ; NFI 0.90 = good fit 0.88 Baik NNFI 0 < NNFI < 1 ; NNFI 0.90 = good fit 0.93 Baik CFI 0 < CFI < 1 ; CFI 0.90 = good fit 0.94 Baik IFI 0< IFI < 1 ; IFI 0.90 = good fit 0.94 Baik RFI 0 < RFI < 1 ; RFI 0.90 = good fit 0.85 Baik GFI 0 < NFI < 1 ; GFI 0.90 = good fit 0.76 Baik AGFI 0< AGFI < 1 ; AGFI 0.90 = good fit 0.69 Baik Berdasarkan tabel diatas, NFI, NNFI, CFI, IFI, RFI, GFI dan AGFI makin mendekati nilai cut off Selanjutnya untuk RMSEA berada pada nilai 0.075

28 yang berada dibawah nilai cut off Untuk kriteria ECVI, AIC, dan CAIC, nilai model lebih kecil dari independence dan saturated model. Hanya chi square yang masih kurang baik karena p-value nya masih dibawah 0.05 tetapi nilai chi square nya sendiri telah mengalami pengurangan dari model sebelumnya dan chi square bukanlah satu-satunya parameter untk mengukur fit atau tidaknya suatu model. Jadi secara keseluruhan hasil dari pengujian goodness of fit statistics untuk model SEM respesifikasi, maka dapat dikatakan bahwa model SEM respesifikasi ini termasuk baik. Gambar 3.13 Path Analysis Model SEM Respesifikasi Tahap selanjutnya adalah melakukan pengujian terhadap model struktural untuk masing-masing konstruk yang ada pada model SEM respesifikasi dengan melihat standard loading factor, t-value, construct reliability dan variance extracted untuk masing-masing variabel.

29 Tabel 3.15 Output Uji Parameter Variabel Yang Diamati Perceived Value (Model SEM Respesifikasi) perceive value Standardized Loading factor t-value error PV PV PV Tabel 3.16 Output Uji Parameter Variabel Yang Diamati Customer Satisfaction (Model SEM Respesifikasi) Kepuasan pelanggan Standardized Loading factor t-value error CS CS CS CS CS CS CS Tabel 3.17 Output Uji Parameter Variabel Yang Diamati Customer Loyalty (Model SEM Respesifikasi) Loyalitas pelanggan Standardized Loading factor t-value error CL CL CL

30 Tabel 3.18 Output Uji Parameter Variabel Yang Diamati Service Quality (Model SEM Respesifikasi) Kualitas layanan Standardized Loading factor t-value error CQ CQ CQ MS MS MS MS MS MS SC SC Tabel 3.19 Output Uji Parameter Variabel Yang Diamati Switching Cost (Model SEM Respesifikasi) switching cost Standardized Loading factor t-value error SW SW SW Dari tabel diatas untuk pengujian standard loading factor dan t-value dari masingmasing parameter hubungan menunjukkan nilai standard loading factor > 0.5 dan t-value > Hal ini menunjukkan bahwa semua variabel yang diamati mempunyai pengaruh signifikan terhadap variabel latennya. Hasil perhitungan construct reliability dan variance extracted untuk masingmasing variabel laten adalah sebagai berikut :

31 Tabel 3.20 Perhitungan Construct Reliability dan Variance Extracted (Model SEM Respesifikasi) Variabel CR 0.70 VE 0.50 perceived value Kepuasan pelanggan Loyalitas pelanggan Kualitas layanan switching cost Wijanto (2008) menyatakan bahwa sebuah konstruk memiliki reliabilitas yang baik jika nilai construct realiability (CR) 0.70 dan variance extracted (VE) Oleh karena itu model SEM respesifikasi ini memiliki reliabilitas yang baik. Setelah melakukan pengujian terhadap model SEM secara keseluruhan proses selanjutnya adalah melihat apakah ada hubungan signifikan dan erat atar variabel independen dan variabel dependen. Terkait dengan hal tersebut makan dapat dirumuskan hipotesis sebagai berikut : 1. Hubungan antara kualitas layanan dan perceived value H0 : Kualitas layanan berpengaruh secara positif terhadap perceived value pada mobile value-added services. H1: Kualitas layanan tidak berpengaruh secara positif terhadap perceived value pada mobile value-added services. 2. Hubungan antara kualitas layanan dan kepuasan pelanggan H0 : Kualitas layanan secara positif berpengaruh terhadap kepuasan pelanggan pada mobile value-added services. H1 : Kualitas layanan tidak secara positif berpengaruh terhadap kepuasan pelanggan pada mobile value-added services. 3. Hubungan antara perceived value dan kepuasan pelanggan H0 : Perceived value secara positif berpengaruh terhadap kepuasan pelanggan pada mobile value-added services. H1 : Perceived value tidak secara positif berpengaruh terhadap kepuasan pelanggan pada mobile value-added services. 4. Hubungan antara kepuasan pelanggan dan loyalitas pelanggan

32 H0 : Kepuasan pelanggan secara positif berpengaruh terhadap loyalitas pelanggan pada mobile value-added services. H1 : Kepuasan pelanggan tidak secara positif berpengaruh terhadap loyalitas pelanggan pada mobile value-added services. 5. Hubungan antara switching cost dan loyalitas pelanggan H0 : Switching cost secara positif berpengaruh terhadap loyalitas pelanggan pada mobile value-added services. H1 : Switching cost tidak secara positif berpengaruh terhadap loyalitas pelanggan pada mobile value-added services. Untuk melihat hubungan antara variabel konstruk dapat dilihat pada tabel berikut : Tabel 3.21 Evaluasi Terhadap Koefisien Model Struktural dan Kaitannya dengan Hipotesis Penelitian Hipotesis Path Estimasi nilai -t Error 1 Kualitas layanan > perceived value Kualitas layanan > Kepuasan pelanggan perceived value > Kepuasan pelanggan Kepuasan pelanggan > Loyalitas pelanggan switching cost > Loyalitas pelanggan Ghozali dan Fuad (2005) menyatakan bahwa nilai koefisien regresi standar antar variabel yang berada pada rentang nilai 0 sampai dengan 0.10 berarti nilai tersebut memiliki pengaruh yang kecil. Untuk nilai koefisien regresi standar antar variabel yang berada pada rentang nilai 0.10 sampai dengan 0.50 berarti nilai tersebut memiliki pengaruh sedang. Untuk nilai koefisien regresi standar antar variabel yang lebih besar dari 0.50 berarti nilai tersebut memiliki pengaruh yang besar. Dari tabel dapat diambil kesimpulan bahwa kualitas layanan berpengaruh secara positif terhadap perceived value. Hal ini dapat terbukti dari nilai koefisien regresi standar sebesar 0.61 dan t-value Kualitas layanan mempunyai pengaruh yang besar dan signifikan terhadap perceived value. Hipotesis 1 terbukti. Kualitas layanan secara positif berpengaruh terhadap kepuasan pelanggan. Hal ini terbukti dari nilai koefisien regresi standar sebesar 0.3 dan t-value Kulaitas

33 layanan mempunyai pengaruh yang sedang dan signifikan terhadap kepuasan pelanggan. Hipotesis 2 terbukti. Perceived value secara positif berpengaruh terhadap kepuasan pelanggan. Hal ini terbukti dari nilai koefisien regresi standar sebesar 0.61 dan t-value 3.8. Perceived value mempunyai pengaruh yang besar dan signifikan terhadap kepuasan pelanggan. Hipotesis 3 terbukti. Kepuasan pelanggan secara positif berpengaruh terhadap loyalitas pelanggan. Hal ini terbukti dari nilai koefisien regresi standar sebesar 0.72 dan t-value 5.32 Kepuasan pelanggan mempunyai pengaruh yang besar dan signifikan terhadap loyalitas pelanggan. Hipotesis 4 terbukti. Switching cost secara positif berpengaruh terhadap loyalitas pelanggan. Pada penelitian ini hal tersebut terbukti. Pada hasil koefisien regresi standar terlihat bahwa nilai 0.13 berarti hubungan variabel tersebut positif tetapi lemah dan ditambah t-value 1.35 yang berarti dibawah T-value < 1.96 menandakan hubungan antara variabel tersebut tidak signifikan. Hipotesa 5 terbukti walaupun tidak signifikan.